《Frontiers in Artificial Intelligence》：Attitudinal openness to AI as supervisor or colleague/subordinate in Japan: the role of advanced digital technology familiarity
编辑推荐：
采用人工智能（AI）的组织必须考虑员工对不同职场角色中AI的态度。研究人员考察了在日本，对先进数字技术的熟悉度是否与接受AI作为主管或作为同事/下属的开放性相关。研究人员使用持续受雇受访者的三波平衡面板数据，采用层级贝叶斯面板模型进行分析。焦点测量是基于对六项
采用人工智能（AI）的组织必须考虑员工对不同职场角色中AI的态度。研究人员考察了在日本，对先进数字技术的熟悉度是否与接受AI作为主管或作为同事/下属的开放性相关。研究人员使用持续受雇受访者的三波平衡面板数据，采用层级贝叶斯面板模型进行分析。焦点测量是基于对六项技术自我报告熟悉度的先进数字技术熟悉度指数（Advanced Digital Technology Familiarity Index，ADTFI）；结果是针对假设性AI角色安排的表述性开放性，而非实际采纳行为。较高的ADTFI与职场AI角色开放性呈正向但温和的关联。协变量调整的系数分解显示，计算能力与职场技术暴露具有正向的ADTFI相关成分，而职场技术暴露具有估计不精确的负向条件成分，以及区间包含零的组合成分。角色特定的有序概率（ordered-probit）模型在AI主管条目上得出负的TechAdop系数且区间排除零，而对应的同事/下属估计接近零且不精确；这一描述性对比并非正式的跨角色系数检验。滞后模型在控制先前开放性后，仍保留先前ADTFI与后续开放性之间的小幅正向关联。结果主要反映稳定的个体间差异，且以持续受雇面板受访者为条件。因此应将其解释为描述性关联模式，而非培训或AI实施的因果效应。
研究背景与问题提出
随着人工智能（AI）系统进入组织决策支持、工作流协调与人机协作，企业不仅面临技术实施问题，还面对员工态度的差异。AI被赋予的角色至关重要：接受AI作为工具或同事，不等同于接受其作为拥有评价、协调或任务分配权力的主管。现有研究指出，人们对算法系统的反应取决于感知错误、任务情境、控制感及系统被赋予的权威，而信任、可解释性、公平性与合法性也会影响接受度。然而，将“熟悉度”操作化为自评估知识而非客观能力，并区分其与计算任务能力（Computing Skill Index），在职场角色配置情境下仍缺乏基于雇员层面面板数据的系统证据。为此，研究人员利用日本家庭面板数据，考察先进数字技术熟悉度（Advanced Digital Technology Familiarity Index，ADTFI）与对假设性职场AI角色开放性的关联，并进一步分解协变量作用、检验角色差异。
研究方法概述
研究使用2021至2023年日本家庭面板调查/庆应家庭面板调查（Japan Household Panel Survey/Keio Household Panel Survey）中持续受雇且三波均被观测的1970名受访者（5888个人-波次观测）。焦点预测变量ADTFI为IoT、云计算、AI、RPA、机器学习与深度学习的五点自评熟悉度反向编码均值；结果变量AIAccept为“若AI成为主管”和“若AI成为同事/下属”两个五点条目的均值。协变量涵盖人口学、职业、组织类型、职场技术暴露（TechAdop）、计算任务能力（Comput）、家庭资源等。研究人员建立四个层级贝叶斯面板模型：Model 1回归ADTFI于协变量；Model 2回归AIAccept于ADTFI与协变量；Model 3剔除ADTFI作简化式对照；Model 4以先前波次ADTFI与AIAccept预测当前AIAccept并保留个体随机截距。此外进行代数系数分解（ADTFI相关成分、条件成分、组合成分）、Mundlak式内外成分敏感性分析、角色特定贝叶斯有序概率模型，以及多重插补与完整案例分析等稳健性检验。线性高斯指数模型用于透明分解，有序概率模型用于边界分布校正。
研究结果
5.1 先进数字技术熟悉度
ADTFI随年龄增长而下降，男性、管理者、IT专业人员、专业技术工作者、私营部门雇员、职场技术暴露更高者、计算任务能力更强者及家庭资源更多者ADTFI更高。相对办事员参照组，农业、运输通信、制造建筑劳动者ADTFI更低。
5.2 含与不含ADTFI的职场AI角色开放性
Model 2中ADTFI对AIAccept的条件关联为正但温和，后验均值0.101，95%最大后验密度区间（HPDI）[0.043,0.157]。男性、兼顾家务工作（WorkHom）、想离职（QuitJob）及年龄平方项为正；非营利组织、主观幸福感、个人收入、储蓄与家庭收入为负。Model 3显示Comput在纳入ADTFI前为正，纳入后变小，与ADTFI相关成分的存在相容但非时间机制证明。
5.3 协变量调整关联分解
描述性分解表明，Comput具正向ADTFI相关成分（0.053，HPDI[0.023,0.084]）与不确定条件成分，组合为正；HHIncome的ADTFI相关成分近零，条件成分为负（?0.118，HPDI[?0.169,?0.066]）；TechAdop具正向ADTFI相关成分（0.084，HPDI[0.034,0.131]）与不精确负条件成分，组合成分区间含零（?0.032，HPDI[?0.217,0.167]）。数据不支持TechAdop具可信负组合成分。
5.4 滞后设定
Model 4中控制先前AIAccept后，先前ADTFI对后续AIAccept仍具小正向关联（0.069，HPDI[0.011,0.124]）；个体随机截距尺度很小（0.033，HPDI[0.000,0.082]），表明先前AIAccept吸收了大部分稳定个体间异质。结果支持关联持续性，而非培训效应或因果适应过程。
5.5 角色特定结果
角色特定有序概率模型显示ADTFI在两情景均正向关联开放性；AI主管条目上TechAdop系数为负且区间排除零，同事/下属条目对应估计近零且不精确。该描述性对比非正式跨角色系数检验。
讨论与结论翻译
讨论部分指出，本研究提供角色配置职场AI态度的雇员层面面板证据，将数字不平等研究与企业AI态度连接，同时避免将熟悉度宣称客观技能测验。分析为观察性，主要贡献为描述与解释而非因果。层级贝叶斯、滞后设定、内外敏感性及角色特定序数模型用于刻画不确定性与范围。结论部分原文要义为：较高ADTFI与职场AI角色开放性呈正向但温和关联；结果主要反映稳定个体间差异，以持续受雇面板受访者为条件；应解释为描述性关联模式，而非培训或AI实施的因果效应；AI主管与同事/下属情景的关联结构存在描述性差异，但非正式跨角色检验；滞后模型在控制先前态度后保留先前熟悉度对后续开放性的小正向关联，支持态度持续性而非因果适应。论文发表于《Frontiers in Artificial Intelligence》。
